VisionBank AI官網：http://www.visionbankai.com/
VisionBank AI是搭載在“VisionBank通用機器視覺開發平臺”上的一種圖像處理工具，它采用深度學習
技術解決機器視覺應用場景中傳統算法難以解決的問題（四大應用場景）：
VisionBank經過多個版本的技術更新，現有以下功能和技術突破：
一，對平臺算力要求降低，精簡項目成本。
VisionBank在線推理的神經網絡模型均基于OpenVINO進行了模型優化，優化后的模型，對算力平臺的要求最高可降低16倍（不同類型的模型優化結果有差異）。使得VisionBank的在線推理可全部基于CPU完成，降低GPU使用需求，從而優化企業的成本控制。
二，訓練數據量降低100倍。
創新的深度學習模塊和傳統缺陷檢測算法深度融合，可以利用傳統算法“過檢”后的“圖像塊”來訓練“缺陷過濾神經網絡模型”，在利用對抗訓練的準確性優勢下，有效解決了“負樣本”圖像數據獲取問題。
三，新一代特征匹配算法，提速11倍。
最新開發的第四代“特征匹配算法”相對于第一代算法，匹配速度提升了11倍，支持以下異常特征匹配：特征被部分遮擋、特征大小有縮放、特征扭曲變形以及特征顯示不全等。
四，最新升級的架構模塊，最多支持16臺相機同時并行檢測。
一臺處理器可以當16臺處理器使用，在多相機協同工作場景，實現了有效的成本優化。
傳統圖像處理是人工分析圖像的特征，再通過圖像處理算法提取特征，然后通過特征的關鍵參數來區分對象；
深度學習是采集大量圖像，然后標注圖像數據并訓練神經網絡，通過訓練好的神經網絡進行對象類型推理；
（1）訓練及測試數據采集：利用工廠搭建好的機器視覺硬件系統，基于VisionBank平臺自動存儲500~10000張包含“正負樣本”的圖像數據；
（2）訓練及測試數據分類：將自動采集到的圖片按分類要求區分到不同文件夾進行分類；
（3）數據標記及神經網絡模型訓練：利用VisionBank AI標記工具將分類好的圖像進行自動（手動）標記，并訓練神經網絡模型；
（4）神經網絡模型推理及在線檢測：訓練完畢后利用分類好的測試數據測試模型的準確性，然后加載到VisionBank工程文件中進行在線檢測
深度學習圖像處理是通過搭建“類腦神經網絡”，借鑒人腦處理數據的方法去解決圖像處理問題，所以凡是涉及到深度學習的場景，都需要兩個必要條件：一是大數據支持——各種有代表性的圖片；二是強大的算力平臺——一般采用GPU運算平臺。而在實際工業應用場景，這兩個條件都是極難實現，且實現成本極高的。VisionBank AI是在VisionBank通用開發平臺基礎上推出的深度學習功能，它結合VisionBank本身強大的傳統圖像處理算法，解決了以上兩個難題的大部分實現問題。
（1）神經網絡推理完全基于CPU實現：VisionBank AI訓練的神經網絡模型推理完全基于CPU實現，而且神經網絡模型訓練同時支持CPU和GPU。用戶可以根據項目所需模型的復雜程度靈活選擇算力平臺，從而節省不必要的算力平臺硬件支出；
（2）創新的“深度學習缺陷過濾”算法：利用傳統算法找出所有可能的缺陷區域，僅用深度學習解決缺陷區域的OK和NG判別，從而很好的解決了訓練圖像數據獲取的問題；
（3）支持神經網絡模型再訓練：根據工業場景應用的復雜性，支持模型的繼續訓練，從而可以形成行業專用神經網絡模型。
VisionBank Ai深度學習視覺解決方案相對單純的深度視覺有以下優勢：
1、訓練用數據集一定要嚴格關注“質”和“量”
（1）質：訓練用的數據集一定要有代表性，要包含各種可能的情況，而且各種情況對應的圖片數量分布要均勻
（2）量：訓練用的數據集數量一定要相對較多，根據模型的復雜程度，高質量的圖片數量一定要大
2、傳統算法要和深度學習相結合。傳統算法能搞定的，堅決不要依賴深度學習
（1）傳統算法：定位、尺寸等
（2）深度學習：參考前面介紹的“傳統算法難以解決的問題”
3、精準定位具體問題，由“局部”到“整體”。機器視覺項目的最終目的是實現100%的準確檢測，但是在項目開發過程中會存在各種問題影響這個結果。當出現異常結果時，要能準確定位到具體環節去測試查找。
（1）訓練數據集復核：數據分類好，再標記后需要再檢查一遍是否有標記錯誤或分類錯誤的情況
（2）神經網絡模型推理：模型訓練完畢后，務必先進行大量圖片測試后，再導入工程文件在線推理
